PEMODELAN DISTRIBUSI MULTI
ESELON DAN MULTI MODA PADA
PRODUK BAWANG MERAH DAN CABAI
Nur Arief Hidayatulloh, Prof. Iwan Vanany, S.T., M.T., Ph.D.
Teknik Industri, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia
email: [email protected]
Abstrak---Harga komoditas bawang
merah dan cabai sering mengalami
fluktuasi. Fluktuasi ini terutama disebabkan
karena dua hal yaitu
permintaan-penawaran tidak seimbang dan distribusi yang kurang baik. Penelitian ini akan
mengungkapkan penyebab dari
permintaan-penawaran yang tidak
seimbang dan membuat model untuk menyelesaikan permasalahan distribusi. Data yang digunakan merupakan data dalam waktu satu tahun dan akan dibagi menjadi tiga periode dimana setiap periode
terdiri dari empat bulan. Adanya gap pada
permintaan-penawaran akan diselesaikan dengan solusi yang disesuaikan dengan
kondisi dari gap. Model distribusi yang
dibuat merupakan model yang
meminimalkan biaya dan waktu
pengiriman.
Penelitian dimulai dengan
mengumpulkan data produksi dan
konsumsi. Data biaya dan waktu
menggunakan data dummy. Setelah data
produksi dan konsumsi didapatkan, maka
dilakukan forecast. Hasil dari forecast akan
digunakan untuk running model yang
dibuat. Setelah hasil kondisi eksisting didapatkan, maka selanjutnya dilakukan pengujian skenario untuk memberikan alternatif solusi. Skenario yang diuji adalah mengubah jumlah pedagang pengumpul dan pedagang besar
Kata Kunci---Bawang Merah, Cabai,
Distribusi, Gap, Linear Programming
I PENDAHULUAN
Harga komoditas bahan pangan setiap tahunnya tidak dapat diprediksikan. Namun, harga komoditas bahan pangan cenderung
mengalami kenaikan setiap tahunnya. Bahkan perbedaan harga yang cukup tinggi dapat ditemukan diantara petani hingga ke pengecer. Berdasarkan hasil survey ditemukan bahwa rata-rata keuntungan pedagang beras mencapai 10.42%, pedagang cabai 25.33%, dan pedagang bawang merah 22.61% (Ardhita, Telaah, 2016). Komoditas bawang merah dan cabai di Jawa Timur meskipun dalam tahun 2010-2014 mengalami kenaikan produksi, namun harga bawang merah dan cabai tidak stabil. Pada Gambar 1 dapat terlihat bahwa dari tahun 2010-2014 terjadi kenaikan produksi bawang merah dan cabai di Jawa Timur.
Gambar 1. Produksi Bawang Merah dan Cabai Tahun 2010-2014 di Jawa Timur (Statistik, Indikator Pertanian 2014 Provinsi Jawa TImur, 2014)
Ketidak stabilan harga dari bawang merah dan cabai terjadi di seluruh wilayah Jawa Timur. Gambar 2 menunjukkan fluktuasi dari harga bawang merah dan cabai di Jawa Timur. Sebagai contoh, rata-rata harga bawang merah per Kg di Jawa Timur pada Januari 2016 sebesar Rp 29,766, namun pada Februari 2016 harga per Kg menjadi Rp 22,499. Harga bawang merah per Kg tiba-tiba menjadi naik di bulan Maret 2016 menjadi Rp 36,002. Kenaikan dan penurunan dari harga bawang merah per Kg ini berfluktuasi dan tidak dapat diduga. 0 100000 200000 300000 400000 2010 2011 2012 2013 2014 To n
Gambar 2. Rata-Rata Harga Bawang Merah dan Cabai per Kg di Jawa Timur Bulan Mei 2015 – Mei 2016 (Jatim, 2016)
Fluktuasi harga cabai lebih tidak stabil jika dibandingkan fluktuasi harga bawang merah. Gambar 2 menunjukkan rata-rata harga cabai per Kg di Jawa Timur. Terlihat bahwa fluktuasi dari harga cabai ini sangat tinggi. Sebagai contoh, pada bulan Februari 2016 harga cabai adalah Rp 26,953 per Kg. Bulan Maret 2016 harga cabai per Kg tiba-tiba melonjak menjadi Rp 37,162. Bulan April 2016 harga cabai per Kg mengalami penurunan cukup tajam. Harga cabai per Kg pada bulan April 2016 sebesar Rp 22,862. Perlu adanya perbaikan untuk mengatasi fluktuasi harga bawang merah dan cabai ini.
Kenaikan harga dari bawang merah dan cabai ini dipengaruhi oleh beberapa hal. Berdasarkan hasil survey Bank Indonesia (Prastowo, Yanuarti, & Depari, 2008), beberapa hal yang memengaruhi kenaikan harga bawang merah dan cabai antara lain adalah tidak seimbangnya penawaran-permintaan dan proses distribusi dari bawang merah dan cabai yang tidak efisien.
Keseimbangan dari penawaran-permintaan perlu dijaga agar harga dapat stabil. Berdasarkan hukum permintaan, semakin murah harga suatu barang maka akan semakin banyak permintaannya. Apabila harga semakin mahal, maka permintaan akan semakin sedikit. Apabila terjadi keseimbangan antara penawaran dan permintaan, maka harga yang terbentuk akan memuaskan bagi pemberi penawaran dan pemberi permintaan.
Tidak terjadinya keseimbangan penawaran-permintaan ini lebih disebabkan karena faktor kelangkaan komoditas. Sebagai contoh, berdasarkan survei Bank Indonesia, ditemukan bahwa faktor kelangkaan merupakan faktor utama yang membuat pedagang menaikkan harga komoditas cabai. Faktor ini menyumbang sebesar 88% dari seluruh penyebab pedagang menaikkan harga.
Gambar 3. Alasan Pedagang Menaikkan Harga Komoditas Cabai (Prastowo, Yanuarti, & Depari, 2008)
Kelangkaan pasokan dapat disebabkan oleh keadaan alam. Keadaan alam seperti musim kemarau berkepanjangan dapat membuat panen hasil pertanian akan berkurang. Selain itu adanya badai juga dapat membuat penurunan produksi panen. Faktor alam ini umumnya tidak dapat dikendalikan oleh manusia.
Faktor proses distribusi juga memiliki peranan terhadap kenaikan harga komoditas. Faktor proses distribusi ini lebih banyak disebabkan oleh kenaikan harga bahan bakar minyak. Pengaruh harga bahan bakar minyak terhadap komoditas dapat dilihat pada Tabel 1.
Tabel 1. Pengaruh Harga Bahan Bakar Minyak terhadap Harga Komoditas
Beras Daging Sapi Cabai Sebelum 135 190 603 Sesudah 179 244 784 Selisih 44 55 181
Sumber : Prastowo, et al., 2008
Selain adanya kenaikan harga bahan bakar minyak, panjangnya rantai distribusi bawang merah dan cabai juga memberikan dampak kenaikan harga. Secara umum, rantai distribusi bawang merah dan cabai adalah melalui petani, kemudian pedagang besar, lalu pengecer, dan terakhir konsumen (Dewi, 2008). Panjangnya rantai distribusi ini membuat setiap pihak mengambil keuntungan sehingga meningkatkan biaya distribusi.
Biaya distribusi ini menyumbang sekitar 10%-20% dari harga produk. Hal ini dapat terlihat dari hasil wawancara yang dilakukan dan data pada Tabel 1.1. Wawancara yang dilakukan pada jasa ekspedisi komoditas di Jawa Timur dengan menggunakan kereta memberikan biaya per Kg sebesar Rp 3,000. Biaya ini sebesar 8%-22% dari harga jual bawang merah ataupun cabai. Pada tahun 2008
0 10000 20000 30000 40000
menunjukkan biaya pengiriman per Kg sekitar Rp 784. Biaya ini sebesar 8%-12% dari harga jual produk ke konsumen. Perbaikan pada distribusi bawang merah dan cabai ini diharapkan dapat memangkas harga bawang merah dan cabai secara keseluruhan.
Dalam rangka menyelesaikan permasalahan harga pada komoditas terutama bawang merah dan cabai, maka dilakukanlah penelitian ini. Pemilihan bawang merah dan cabai dikarenakan tingginya fluktuasi harga bawang merah dan cabai di Indonesia. Penyelesaian permasalahan dilakukan melalui perbaikan pada distribusi dari bawang merah dan cabai. Proses penyelesaian dilakukan dengan membuat model program linear untuk dapat menentukan jumlah bawang merah dan cabai yang tepat untuk dikirimkan ke lokasi tujuan dengan meminimalkan biaya dan waktu.
II. METODOLOGI PENELITIAN Tahap Studi Literatur
Studi literatur yang dilakukan merupakan studi mengenai teori yang berkaitan dengan penelitian yang dilakukan. Studi literatur yang dilakukan berkaitan dengan linear programming dan teori-teori forecast seperti exponential smoothing, trend based, dan winter/s.
Tahap Studi Lapangan
Tahap studi lapangan merupakan tahap mempelajari kondisi eksisting dari objek penelitian melalui berbagai sumber. Beberapa hal yang perlu dipelajari mengenai kondisi eksisting antara lain adalah kondisi distribusi dan kondisi permintaan dan penawaran. Pengumpulan Data
Pada tahap ini akan dilakukan pengumpulan data-data yang menunjang pengerjaan penelitian. Beberapa data tersebut antara lain adalah data mengenai permintaan dan penawaran. Beberapa data yang lain seperti biaya pengiriman, waktu pengiriman, dan lain lain menggunakan data dummy. Penggunaan data dummy ini dikarenakan fokus dari penelitian adalah pada pembuatan model distribusi.
Data Forecast
Data yang telah dikumpulkan pada tahap sebelumnya akan dilakukan forecast. Penggunaan forecast dimaksudkan agar data
yang didapatkan dapat diproyeksikan pada kondisi mendatang. Metode forecast yang digunakan adalah metode exponential smoothing, trend based, dan winter’s.
Pemilihan Hasil Forecast
Hasil forecast dari masing-masing metode akan berbeda-beda. Perlu ada pemilihan dari hasil metode forecast yang digunakan. Pemilihan ini berdasarkan pada tingkat error paling kecil.
Penentuan Fungsi Tujuan
Setelah data yang dibutuhkan telah didapatkan, maka selanjutnya adalah membuat model distribusi. Pembuatan model distribusi terlebih dahulu harus ditentukan fungsi tujuan dari model. Fungsi tujuan dari model yang akan dibuat adalah meminimasi biaya pengiriman dan waktu pengiriman.
Penentuan Variabel dan Parameter
Setelah diketahui fungsi tujuan yang akan diselesaikan, selanjutnya adalah menentukan variabel dan parameter yang akan digunakan. Variabel yang harus didefinisikan adalah variabel keputusan yang akan memengaruhi nilai dari fungsi tujuan.
Penentuan Konstrain
Pada tahap ini dilakukan penentuan konstrain-konstrain yang memengaruhi fungsi tujuan. Konstrain yang ada merupakan konstrain terhadap biaya pengiriman dan waktu pengiriman. Apabila konstrain telah dibuat, maka model telah selesai dibuat. Model yang telah selesai dibuat ini selanjutnya dilakukan verifikasi dan validasi. Verifikasi dilakukan dengan memastikan bahwa model yang dibuat tidak error ketika dijalankan. Validasi dilakukan dengan melakukan uji coba nilai ekstrem.
Pengujian Skenario Pengumpul
Tahap selanjutnya adalah melakukan pengujian pada jumlah pengumpul. Perubahan akan dilakukan terhadap jumlah pengumpul. Perubahan ini baik berupa penambahan maupun pengurangan jumlah pengumpul. Pengujian Skenario Pedagang Besar
Pengujian selanjutnya adalah pengujian terhadap jumlah pedagang besar. Jumlah pedagang besar akan dilakukan penambahan maupun pengurangan untuk
mengetahui dampaknya terhadap nilai fungsi tujuan.
Penentuan SkenarioGap
Melakukan perbaikan pada faktor tertentu sehingga tidak ada gap yang terjadi. Perbaikan yang akan dilakukan adalah menggeser masa tanam sehingga masa panen menjadi lebih rata.
Analisis dan Interpretasi Data
Data yang telah diolah pada tahapan sebelumnya akan dilakukan analisis dan interpreasi. Beberapa hal yang akan dilakukan analisis dan interpretasi adalah analisis terhadap model, analisis perbaikan biaya dan waktu pengiriman, dan analisis gap.
Kesimpulan dan Saran
Kesimpulan dan saran yang dibuat adalah mengenai penelitian yang telah dilakukan. Kesimpulan yang dibuat akan menjawab tujuan dari penelitian. Saran yang dibuat merupakan saran terhadap pengembangan penelitian yang dilakukan.
Seluruh rangkaian tahapan penelitian dapat dibuat gambar untuk lebih memudahkan penjelasan tahapan penelitian. Gambar 4 menunjukkan tahapan penelitian yang dilakukan.
Mulai
Studi Literatur Studi Lapangan 1. Mix integer linear programming
2. Metode forecast exponential smoothing, trend based, dan winter s
1. Kondisi eksisting distribusi bawang merah dan cabai 2. Kondisi eksisting permintaan dan penawaran bawang merah dan cabai
Tahap Identifikasi Awal
Pengumpulan Data Data yang dikumpulkan merupakan
data permintaan dan penawaran. Selebihnya menggunakan data
dummy. Tahap Pengumpulan dan Pengolahan Data A Data Forecast
Melakukan forecast terhadap data permintaan dan penawaran dengan menggunakan metode exponential smoothing, trend based, dan
winter s
Pemilihan Hasil Forecast
Hasil metode forecast yang memiliki tingkat error paling kecil akan digunakan sebagai data hasil
forecast
Penentuan Variabel Menentukan variabel dan parameter
dari model Penentuan Fungsi Tujuan Fungsi tujuan yang dibuat adalah meminimasi biaya pengiriman dan
waktu penerimaan
Penentuan Konstrain Konstrain yang dibuat merupakan
batasan yang ada dalam proses distribusi
Model Terverifikasi dan Tervalidasi?
Tidak
Ya
Gambar 4. Flowchart Penelitian
A
Analisis dan Interpretasi Data 1. Melakukan analisis terhadap model yang dibuat 2. Melakukan analisis skenario perbaikan biaya dan waktu pengiriman 3. Melakukan analisis skenario perbaikan gap
Pengujian Skenario Perbaikan Gap Menentukan faktor yang memiliki dampak paling besar terhadap
fungsi tujuan
Kesimpulan dan Saran Selesai Tahap Analisis, Interpretasi Data, dan Penarikan Kesimpulan serta Saran Tahap Pengumpulan dan Pengolahan Data
Pengujian Skenario Pedagang Besar Melakukan perubahan pada jumlah pedagang besar sehingga diketahui dampak terhadap fungsi tujuan Pengujian Skenario Pengumpul
Melakukan perubahan pada jumlah pengumpul sehingga diketahui dampak terhadap fungsi tujuan
Gambar 4. Flowchart Penelitian (Lanjutan)
III PENGUMPULAN DAN PENGOLAHAN DATA
Data produksi dan konsumsi dari bawang merah dan cabai didapatkan dari badan pusat statistik dan badan pusat perencanaan dan pembangunan.
Tabel 2. Data Produksi Bawang Merah dan Cabai di Jawa Timur
Produksi (Ton)
Tahun Bawang Merah Cabai 2010 203,739 71,565 2011 198,387 73,674 2012 222,862 99,670 2013 243,087 101,691 2014 293,179 111,022 Sumber: Badan Pusat Statistik, 2015
Tabel 3. Data Konsumsi Bawang Merah Nasional Tahun Konsumsi Bawang Merah (1000
ton) 2012 904.0 2013 922.5 2014 942.2 2015 963.4 2016 986.0 2017 1009.6 2018 1034.4 2019 1060.4
Sumber: Badan Perencanaan Pembangunan Nasional, 2013
Tabel 4. Data Konsumsi Cabai per Kapita Tahun Konsumsi Cabai (Kg)
2008 1.549 2009 1.523 2010 1.528 2011 1.497 2012 1.653 Laju (% / Tahun) 1.3
Sumber: Badan Perencanaan Pembangunan Nasional, 2013
Data produksi dan konsumsi yang didapatkan, akan digunakan untuk melakukan forecast. Data yang dibutuhkan adalah data pada tahun 2016. Sehingga forecast akan dilakukan pada data produksi dan data konsumsi cabai saja. Forecast pada konsumsi cabai menggunakan laju pertumbuhan yang stabil. Data konsumsi cabai adalah data konsumsi per kapita sehingga dapat dijadikan data konsumsi Jawa Timur dengan cara mengalikan dengan jumlah penduduk Jawa Timur.
Tabel 5. Hasil Forecast Produksi Bawang Merah dan Cabai Jawa Timur
Tahun Bawang Merah (Ton) Cabai (Ton) 2015 352,644 123,604 2016 428,321 134,297 2017 519,232 144,990 2018 625,377 155,683 2019 746,756 166,376
Tabel 6. Data Konsumsi Bawang Merah dan Cabai di Jawa Timur Tahun Konsumsi Bawang Merah (Ton) Konsumsi Cabai (Ton) 2012 137,551 64,183 2013 140,366 64,998 2014 143,363 65,852 2015 146,589 66,707 2016 150,028 67,600 2017 153,619 68,454
Setelah diketahui hasil forecast dari bawang merah dan cabai, selanjutnya adalah membuat data produksi dan konsumsi setiap periode. Satu periode terdiri dari empat bulan. Pembagian periode produksi berdasarkan musim panen di Jawa Timur. Pembagian konsumsi bersifat stabil.
Tabel 7. Data Produksi Bawang Merah dan Cabai per Periode di Jawa Timur
Periode Bawang Merah (Ton) Cabai (Ton) 1 47,115 53,719 2 214,161 20,145 3 167,045 60,434
Tabel 8. Data Konsumsi Bawang Merah dan Cabai per Periode di Jawa Timur
Periode Bawang Merah (Ton) Cabai (Ton) 1 50,009 22,533 2 50,009 22,533 3 50,009 22,533
Langkah selanjutnya adalah membuat model distribusi. Pembuatan model distribusi ini berdasarkan skema distribusi. Skema distribusi dapat dilihat pada Gambar 5.
Pengumpul 1 Pengumpul 6 Sentra 1 Sentra 2 Sentra 6 Pedagang Besar 1 Pedagang Besar 8 Pasar 1 Pasar 2 Pasar 20 Pengumpul 1
Gambar 5. Skema Distribusi Bawang Merah dan Cabai Indeks i : Sentra j : Pedagang Pengumpul k : Pedagang Besar l : Pasar m : Produk n : Moda o : Periode Parameter
Capimo : kapasitas produksi pada sentra i untuk produk m pada periode o
Capjmo : kapasitas penyimpanan pada pengumpul j untuk produk m pada periode o
Capkmo : kapasitas penyimpanan pada pedagang besar k untuk produk m pada periode o
Dlmo : permintaan pada pasar l untuk produk m pada periode o
Cijmno : biaya pengiriman dari sentra i menuju
pengumpul j untuk produk m dengan moda n pada periode o
Cikmno : biaya pengiriman dari sentra i menuju
pedagang besar k untuk produk m dengan moda n pada periode o
Cjkmno : biaya pengiriman dari pengumpul j
menuju pedagang besar k untuk produk m dengan moda n pada periode o
Cjlmno : biaya pengiriman dari pengumpul j
menuju pasar l untuk produk m dengan moda n pada periode o
Cklmno : biaya pengiriman dari pedagang besar
k menuju pasar l untuk produk m dengan moda n pada periode o
Tijmno : Waktu pengiriman dari sentra i menuju
pengumpul j untuk produk m dengan moda n pada periode o
Tikmno : Waktu pengiriman dari sentra i menuju
pedagang besar k untuk produk m dengan moda n pada periode o
Tjkmno : Waktu pengiriman dari pengumpul j
menuju pedagang besar k untuk produk m dengan moda n pada periode o
Tjlmno : Waktu pengiriman dari pengumpul j
menuju pasar l untuk produk m dengan moda n pada periode o
Tklmno : Waktu pengiriman dari pedagang besar
k menuju pasar l untuk produk m dengan moda n pada periode o Α : Konstanta akibat adanya gap
Variabel Keputusan
Xijmno : jumlah pengiriman dari sentra i menuju
pedagang pengumpul j untuk
produk m dengan moda n pada periode o
Xikmno : jumlah pengiriman dari sentra i
menuju pedagang besar k untuk produk m dengan moda n pada periode o
Xjkmno : jumlah pengiriman dari pedagang
pengumpul j menuju pedagang besar k untuk produk m dengan moda n pada periode o
Xklmno : jumlah pengiriman dari pedagang
besar k menuju pasar l untuk produk m dengan moda n pada periode o Yio : 1 jika sentra i pada periode o dibuka, 0
jika tidak
Yjo : 1 jika pedagang pengumpul j pada periode o dibuka, 0 jika tidak
Yko : 1 jika pedagang besar k pada periode o dibuka, 0 jika tidak
Ylo : 1 jika pasar l pada periode o dibuka, 0 jika tidak
Vijno : 1 jika pengiriman dari sentra i menuju pedagang pengumpul j menggunakan moda n pada periode o, 0 jika tidak Vikno : 1 jika pengiriman dari sentra i menuju
pedagang besar k menggunakan moda n pada periode o, 0 jika tidak
Vjkno : 1 jika pengiriman dari pedagang pengumpul j menuju pedagang besar k menggunakan moda n pada periode o, 0 jika tidak
Vjlno : 1 jika pengiriman dari pedagang pengumpul j menuju pasar l
menggunakan moda n pada periode o, 0 jika tidak
Vklno : 1 jika pengiriman dari pedagang besar k menuju pasar l menggunakan moda n pada periode o, 0 jika tidak Wijno : 1 jika jalur dari sentra i menuju
pedagang pengumpul j dengan moda n pada periode o dibuka, 0 jika tidak Wikno : 1 jika jalur dari sentra i menuju
pedagang besar k dengan moda n pada periode o dibuka, 0 jika tidak
Wjkno : 1 jika jalur dari pedagang pengumpul j menuju pedagang besar k dengan moda n pada periode o dibuka, 0 jika tidak Wjlno : 1 jika jalur dari pedagang pengumpul j
menuju pasar l dengan moda n pada periode o dibuka, 0 jika tidak Wklno : 1 jika jalur dari pedagang besar j
menuju pasar l dengan moda n pada periode o dibuka, 0 jika tidak glmo : gap permintaan dan penawaran pada
pasar l untuk produk m pada periode o Fungsi Tujuan
Min Z = [Biaya dan waktu pengiriman sentra ke pedagang pengumpul dengan moda n pada periode o+ biaya dan waktu pengiriman sentra ke
pedagang besar dengan moda n pada periode o + biaya dan waktu
pengiriman pedagang pengumpul ke pedagang besar dengan moda n pada periode o + biaya dan waktu
pengiriman pedagang pengumpul ke pasar dengan moda n pada periode o + biaya dan waktu pengiriman pedagang besar ke pasar dengan
moda n pada periode o + tambahan biaya dan waktu akibat adanya gap dengan] Z = [(∑𝑖𝑗𝑚𝑛𝑜𝐶𝑖𝑗𝑚𝑛𝑜𝑇𝑖𝑗𝑚𝑛𝑜𝑋𝑖𝑗𝑚𝑛𝑜+ ∑𝑖𝑘𝑚𝑛𝑜𝐶𝑖𝑘𝑚𝑛𝑜𝑇𝑖𝑘𝑚𝑛𝑜𝑋𝑖𝑘𝑚𝑛𝑜+ ∑𝑗𝑘𝑚𝑛𝑜𝐶𝑗𝑘𝑚𝑛𝑜𝑇𝑗𝑘𝑚𝑛𝑜𝑋𝑗𝑘𝑚𝑛𝑜+∑𝑗𝑙𝑚𝑛𝑜𝐶𝑗𝑙𝑚𝑛𝑜𝑇𝑗𝑙𝑚𝑛𝑜𝑋𝑗𝑙𝑚𝑛𝑜+ + ∑𝑘𝑙𝑚𝑛𝑜𝐶𝑘𝑙𝑚𝑛𝑜𝑇𝑘𝑙𝑚𝑛𝑜𝑋𝑘𝑙𝑚𝑛𝑜+∑𝑖𝑙𝑛𝛼𝑔𝑙𝑚𝑜)] (1) Konstrain Wijno ≤ Yjo (2)
Pengiriman dari sentra i menuju pedagang pengumpul j dengan moda n pada periode o dapat dilakukan jika pedagang pengumpul j dibuka pada periode o.
Wikno ≤ Yko (3)
Pengiriman dari sentra i menuju pedagang besar k dengan moda n pada periode o dapat dilakukan jika pedagang besar k dibuka pada periode o.
Wjkno ≤ Yko (4)
Pengiriman dari pedagang pengumpul j menuju pedagang besar k dengan moda n pada periode o dapat dilakukan jika pedagang besar k dibuka pada periode o.
Wjlno ≤ Ylo (5)
Pengiriman dari pedagang pengumpul j menuju pasar l dengan moda n pada periode o dapat dilakukan jika pasar l dibuka pada periode o.
Wklno ≤ Ylo (6)
Pengiriman dari pedagang besar k menuju pasar l dengan moda n dapat dilakukan jika pasar l dibuka.
∑𝑖𝑗𝑚𝑛𝑜𝑉𝑖𝑗𝑛𝑜𝑋𝑖𝑗𝑚𝑛𝑜+ ∑𝑖𝑘𝑚𝑛𝑜𝑉𝑗𝑘𝑛𝑜𝑋𝑗𝑘𝑚𝑛𝑜 ≤
Capimo
(7) Jumlah pengiriman dari sentra i untuk produk m dengan moda n pada periode o tidak boleh lebih dari kapasitas produksi sentra i untuk produk m pada periode o.
∑𝑖𝑗𝑚𝑛𝑜𝑉𝑖𝑗𝑛𝑜𝑋𝑖𝑗𝑚𝑛𝑜 ≤ Capjno (8)
Jumlah pengiriman dari sentra i menuju pedagang pengumpul j untuk produk m dengan moda n pada periode o tidak boleh melebihi kapasitas penyimpanan pedagang pengumpul j untuk produk m pada periode o.
∑𝑖𝑘𝑚𝑛𝑜𝑉𝑖𝑘𝑛𝑜𝑋𝑖𝑗𝑚𝑛𝑜+ ∑𝑗𝑘𝑚𝑛𝑜𝑉𝑗𝑘𝑛𝑜𝑋𝑗𝑘𝑚𝑛𝑜 ≤
Capkno (9)
Jumlah pengiriman dari sentra i pada untuk produk m dengan moda n periode o dan pedagang pengumpul j untuk produk m dengan moda n pada periode o menuju pedagang besar k untuk produk m dengan moda n pada periode o tidak boleh melebihi kapasitas penyimpanan pedagang besar k untuk produk m pada periode o.
∑𝑗𝑙𝑚𝑛𝑜𝑉𝑗𝑙𝑛𝑜𝑋𝑗𝑙𝑚𝑛𝑜+
∑𝑘𝑙𝑚𝑛𝑜𝑉𝑘𝑙𝑛𝑜𝑋𝑘𝑙𝑚𝑛𝑜+𝑔𝑙𝑚𝑜 = Dlmo (10)
Permintaan dari pasar l untuk produk m pada periode o harus dapat dipenuhi oleh pedagang pengumpul j untuk produk m dengan moda n pada periode o dan pedagang besar k untuk produk m dengan moda n pada periode o, jika tidak dapat dipenuhi maka terjadi gap.
∑𝑖𝑗𝑚𝑛𝑜𝑉𝑖𝑗𝑛𝑜𝑋𝑖𝑗𝑚𝑛𝑜 =
∑𝑗𝑘𝑚𝑛𝑜𝑉𝑗𝑘𝑛𝑜𝑋𝑗𝑘𝑚𝑛𝑜+∑𝑗𝑙𝑚𝑛𝑜𝑉𝑗𝑙𝑛𝑜𝑋𝑗𝑙𝑚𝑛𝑜
(11) Jumlah produk m yang masuk pada pedagang pengumpul j pada periode o harus sama dengan jumlah produk m yang keluar dari pedagang pengumpul j pada periode o.
∑𝑖𝑘𝑚𝑛𝑜𝑉𝑖𝑘𝑛𝑜𝑋𝑖𝑘𝑚𝑛𝑜+
∑𝑗𝑘𝑚𝑛𝑜𝑉𝑗𝑘𝑛𝑜𝑋𝑗𝑘𝑚𝑛𝑜 =
∑𝑘𝑙𝑚𝑛𝑜𝑉𝑘𝑙𝑛𝑜𝑋𝑘𝑙𝑚𝑛𝑜 (12)
Jumlah produk m yang masuk pada pedagang besar k pada periode o harus sama dengan jumlah produk m yang keluar dari pedagang besar k pada periode o.
glmo ≥ 0 (13)
Konstrain non-negatif dari gap.
Vijklno = 0, 1 (14)
Konstrain pemiihan moda n sebagai moda pengiriman.
Wijklno = 0, 1 (15)
Konstrain pemiihan jalur pengiriman.
Xijklmno ≥ 0 (16)
Konstrain non negatif dari pengiriman bawang merah atau cabai.
Yijklo = 0, 1 (17)
Konstrain pemiihan lokasi pengiriman atau penerimaan
Model yang dibuat telah terverifikasi dan tervalidasi. Hal ini terlihat dengan dilakukan pengujian pada variabel tertentu dan membandingkannya dengan hasil manual.
Berdasarkan model yang dibuat, hasil dari kondisi eksisting menunjukkan biaya pengiriman sebesar Rp 553,308,006,000 dan waktu pengiriman selama 222.53 hari. Hasil dari kondisi eksisting selanjutnya dibandingkan dengan hasil uji skenario perbaikan.
Tabel 9. Skenario Perbaikan Biaya dan Waktu Pengiriman
No Skenario
1
Menambah satu pedagang pengumpul dengan lokasi serta kapasitas pedagang pengumpul baru mengikuti pedagang pengumpul yang menerima kiriman produk paling banyak.
2
Menambah dua pedagang pengumpul dengan lokasi serta kapasitas pedagang pengumpul baru mengikuti pedagang pengumpul yang menerima kiriman produk paling banyak.
3
Menambah satu pedagang besar dengan lokasi serta kapasitas pedagang besar baru mengikuti pedagang besar yang menerima kiriman produk paling banyak.
4
Menambah dua pedagang besar dengan lokasi serta kapasitas pedagang besar baru mengikuti pedagang besar yang menerima kiriman produk paling banyak.
5
Menghilangkan 1 pedagang pengumpul dengan jumlah penerimaan produk sedikit, tanpa ada penambahan gap.
6
Menghilangkan 1 pedagang besar dengan jumlah penerimaan produk paling sedikit, tanpa ada penambahan
gap.
7
Menghilangkan 2 pedagang pengumpul dengan jumlah penerimaan produk paling sedikit, tanpa ada penambahan
gap.
8
Menghilangkan 2 pedagang besar dengan jumlah penerimaan produk paling sedikit, tanpa ada penambahan
gap.
Seluruh skenario tersebut selanjutnya dilakukan running dengan model yang dibuat. Hasil dari uji skenario dapat dilihat pada Tabel 10.
Tabel 10. Hasil Uji Skenario Perbaikan Biaya dan Waktu Skenario Biaya Pengiriman (Rp) Waktu Pengiriman (Hari) 1 541,805,936,000 227.53 2 535,348,406,000 230.22 3 538,485,016,000 228.68 4 535,348,406,000 229.98 5 554,808,276,000 222.75 6 554,209,326,000 222.12 7 550,878,634,000 226.79 8 554,193,117,000 222.13
Perbaikan pada skenario gap dapat dilakukan dengan menyimpan hasil panen. Penyimpanan hasil panen akan mengubah biaya pengiriman dan waktu pengiriman.
Tabel 11. Hasil Uji Skenario Perbaikan Gap Skenario Biaya Pengiriman (Rp) Waktu Pengriman (Hari) Mengurangi 5% panen periode 3 bawang merah dan periode 1 cabai untuk penambahan panen periode 1 bawang merah dan periode 2 cabai 563,718,789,500 231.02 IV KESIMPULAN/ RINGKASAN Kesimpulan pertama adalah model distribusi yang dibuat merupakan model multi eselon, multi produk, multi moda dan multi periode dengan tujuan meminimumkan biaya pengiriman dan waktu pengiriman. Model yang dibuat mampu memberikan gambaran adanya gap pada periode tertentu. Gap juga dimasukkan dalam fungsi tujuan dimana nilai koefisien dari gap ini bernilai besar sehingga model akan mencoba untuk tidak memilih terjadinya gap. Model yang dibuat dapat dilihat pada Bab 4 dan penulisan pada software dapat dilihat pada Lampiran B. Dalam rangka mengetahui nilai dari biaya pengiriman dan waktu pengiriman, maka perlu dilakukan perhitungan ulang terhadap hasil yang didapat. Biaya pengiriman didapatkan dengan mengalikan alokasi dengan biaya pengiriman per Kg. Waktu pengiriman didapatkan dengan mengalikan alokasi dengan waktu pengiriman,
kemudian membaginya dengan waktu pengiriman per 100 Ton dalam satu tahun. 100 Ton merupakan asumsi yang digunakan dalam menunjukkan satuan waktu pengiriman produk. Kesimpulan kedua yaitu pengujian variabel-variabel yang memengaruhi fungsi tujuan dilakukan setelah mengetahui hasil running dari kondisi eksisting. Pengujian variabel-variabel ini menggunakan beberapa skenario dan membandingkannya dengan hasil pada kondisi eksisting. Berdasarkan hasil uji skenario dengan mengubah jumlah pedagang pengumpul dan pedagang besar, tidak dapat ditemukan solusi yang mampu memperbaiki biaya pengiriman dan waktu pengiriman secara bersamaan. Penambahan jumlah pedagang pengumpul atau pedagang besar pada lokasi tertentu akan memperbaiki biaya pengiriman, namun waktu pengiriman menjadi lebih buruk. Pengurangan jumlah pedagang pengumpul atau pedagang besar akan membuat biaya dan waktu pengiriman menjadi lebih buruk. Pada kasus tertentu, pengurangan dari pedagang besar akan membuat waktu pengiriman menjadi lebih baik, namun biaya pengiriman menjadi lebih buruk.
Gambar 6. Pengaruh Penambahan Pedagang Pengumpul pada Rantai Distribusi
Gambar 7. Pengaruh Perubahan Pedagang Pengumpul dan Pedagang Besar pada Biaya Pengiriman
Gambar 8. Pengaruh Perubahan Pedagang Pengumpul dan Pedagang Besar pada Waktu Pengiriman
Kesimpulan ketiga adalah gap dari bawang merah dan cabai ini terjadi pada periode tertentu. Periode tersebut umumnya terjadi pada musim hujan. Musim hujan yang berkepanjangan merupakan masalah utama petani yang membuat terjadinya gagal panen. Gap pada bawang merah umumnya terjadi pada periode 1 yaitu periode bulan Januari hingga April. Gap pada cabai umumnya terjadi pada periode 2 yaitu periode bulan Mei hingga Agustus. Adanya gap ini membuat kenaikan harga bawang merah dan cabai di pasar. Gap ini tidak dapat diatasi dengan membuka lahan lebih luas karena efek dari musim hujan membuat produktivitas panen menjadi berkurang. Salah satu caranya adalah dengan melakukan impor atau dengan menyimpan bawang merah dan
520,000 525,000 530,000 535,000 540,000 545,000 550,000 555,000 560,000
Pedagang Pengumpul Pedagang Besar
215 220 225 230 235 Eksisting - 2 Eksisting - 1 Eksisting Eksisting + 1 Eksisting + 2 Pedagang Pengumpul Pedagang Besar
cabai pada bulan sebelumnya. Kelebihan produksi dapat diatasi dengan melakukan pemasaran di daerah lain. Jawa Timur merupakan salah satu penghasil bawang merah dan cabai terbesar di Indonesia, sehingga apabila Jawa Timur mengalami gagal panen akan membuat pasokan di pasar berkurang. Apabila di Jawa Timur terjadi panen raya, maka sangat dimungkinkan bahwa harga bawang merah dan cabai di pasar turun.
Gambar 9. Produksi dan Konsumsi dari Bawang Merah
Gambar 10. Produksi dan Konsumsi dari Cabai
Gambar 11. Hubungan Gap yang Dimutlakkan dengan Harga
DAFTAR PUSTAKA
[1] Ardhita, M. Y. (2016). Telaah. Retrieved February 14, 2016, from Kata Data: http://katadata.co.id/telaah/2016/02/02/alur- panjang-distribusi-akar-melambungnya-harga-pangan
[2] Bortolini, M., Faccio, M., Ferrari, E., Gamberi, M., & Pilati, F. (2015). Fresh Food Sustainable Distribution: Cost, Delivery Time, and Carbon Footprint Three Objective Optimization. Journal of Food Engineering, 56-67.
[3] Burhani, R. (2014). Antara News. Retrieved
Mei 16, 2016, from
http://www.antaranews.com/berita/425138/ petani-semakin-terdesak-perubahan-iklim [4] Dhewi, T. S. (2008). Analisis Efisiensi
Pemasaran Bawang Merah di Kabupaten Probolinggo. Jurnal Akuntansi, Manajemen Bisnis, dan Sektor Publik, 4(3), 342-351. [5] Heizer, J., & Render, B. (2011). Operations
Management (10th ed.). New Jersey: Prentice Hall.
[6] Jatim, D. (2016). Sistem Informasi Ketersediaan dan Perkembangan Harga Bahan Pokok di Jawa Timur. Retrieved Mei
Period e 1 Period e 2 Period e 3 Produksi 47,115,00 214,161,0 167,045,0 Konsumsi 50,009,00 50,009,00 50,009,00 0 50,000,000 100,000,000 150,000,000 200,000,000 Produksi Konsumsi Period e 1 Period e 2 Period e 3 Produksi 53,719,000 20,145,000 60,434,000 Konsumsi 22,533,000 22,533,000 22,533,000 0 10,000,000 20,000,000 30,000,000 40,000,000 50,000,000 60,000,000 Produksi Konsumsi 20,000,000 40,000,000 60,000,000 80,000,000 100,000,000 120,000,000 140,000,000 160,000,000 180,000,000 0 5,000 10,000 15,000 20,000 25,000 30,000 35,000 Periode 1 Periode 2 Periode 3 Gap Bawang Merah Gap Cabai
Harga Bawang Merah Harga Cabai
14, 2016, from http://siskaperbapo.com/home
[7] Prastowo, N. J., Yanuarti, T., & Depari, Y. (2008). Pengaruh Distribusi dalam Pembentukan Harga Komoditas dan Implikasinya terhadap Inflasi. Bank Indonesia.
[8] Rachmat, M., Sayaka, B., & Muslim, C. (2012). Produksi, Perdagangan, dan Harga Bawang Merah. Badan Penelitian dan Pengembangan Pertanian.
[9] Rusono, N., Suanri, A., Candradijaya, A., Muharam, A., Martino, I., Tejaningsih, . . . Maulana, M. (2013). Rencana Pembangunan Jangka Menengah Nasional Bidang Pangan dan Pertanian 2015-2019. Jakarta: Badan Perencanaan Pembangunan Nasional.
[10] Statistik, B. P. (2014). Indikator Pertanian 2014 Provinsi Jawa TImur. Badan Pusat Statistik.
[11] Statistik, B. P. (2015). Inflasi Indonesia Menurut Kelompok Pengeluaran. Badan Pusat Statistik.
[12] Statistik, B. P. (2015). Penduduk Indonesia. Jakarta: Badan Pusat Statistik. [13] Suhendra. (2014). Ekonomi Bisnis.
Retrieved February 22, 2016, from m.detik.com/finance/read/2014/12/16/1323 14/2778909/4/ini-bukti-harga-cabai-sudah-seperti-roller-coaster
[14] Tsiakis, P., & Papageorgiou, L. G. (2008). Optimal Production Allocation and Distribution Supply Chain Networks. Internattional Journal of Production Economics, 468-483.
[15] Wasono, H. T. (2013). Tempo. Retrieved
Mei 16, 2016, from
https://m.tempo.co/read/news/2013/03/13/0 58466743/petani-bawang-merah-di-nganjuk-gagal-panen
